論文の概要: Purification and Regulation: Comorbidity-Aware Multi-Label Few-Shot Learning for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2609.21541v1
• Date: Fri, 18 Sep 2026 09:31:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.956259
• Title: Purification and Regulation: Comorbidity-Aware Multi-Label Few-Shot Learning for Medical Image Classification
• Title（参考訳）: 浄化と規制:医用画像分類のためのコモビディティ対応多言語Few-Shot学習
• Abstract要約: PPR(Prototype Purification and Regulation)は、医用画像解析のための新しいフレームワークである。 PPRはまず、サンプルレベルのコオービディティスコアを活用することで、プロトタイプの精製を行う。 PPRはさらに、MIAにおけるクラス間プロトタイプ距離の未解決問題に対処している。
• 参考スコア（独自算出の注目度）: 6.694060838571727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label few-shot learning (MLFSL) remains a significant challenge in medical image analysis (MIA). Current metric-based meta-learning methods face two critical limitations in MIA. First, conventional prototype generation often entangles irrelevant disease information, leading to contaminated prototypes and degraded performance. Second, prior studies typically enforce inter-class separability in embedding space, largely neglecting the inherent correlations among diseases. To overcome these challenges, we propose Prototype Purification and Regulation (PPR), a novel MLFSL framework for MIA. PPR first performs prototype purification by leveraging sample-level comorbidity scores to emphasize disease-specific features, producing purified prototypes that better characterize each disease. Building upon these purified prototypes, PPR further addresses the underexplored problem of inter-class prototype distance in MIA by incorporating disease-level comorbidity statistics to adaptively regulate inter-class similarity, forming a comorbidity-aware embedding space. Overall, PPR sequentially enables the model to capture pure disease features and inter-class relationships for reliable MLFSL in MIA. Extensive experiments across four chest X-ray benchmark datasets, including cross-domain evaluation, show that PPR consistently outperforms state-of-the-art methods, significantly improving disease detection while demonstrating robust generalization and clinical applicability.
• Abstract（参考訳）: MLFSL(Multi-label few-shot Learning)は医用画像解析(MIA)において重要な課題である。 現在のメートル法に基づくメタラーニング法はMIAにおいて2つの重要な限界に直面している。 第一に、従来のプロトタイプ生成は、しばしば無関係な疾患情報を絡み合わせるため、汚染されたプロトタイプと性能が低下する。 第二に、先行研究は一般的に、組込み空間におけるクラス間分離性を強制し、疾患間の固有の相関を無視する。 これらの課題を克服するために,MIA のための新しい MLFSL フレームワークである PPR (Prototype Purification and Regulation) を提案する。 PPRはまず、サンプルレベルの相同性スコアを活用して、疾患特有の特徴を強調し、各疾患をよりよく特徴づける精製されたプロトタイプを作成する。 これらの精製されたプロトタイプに基づいて、PPRは、病レベルでの相似性を適応的に制御し、相似性を考慮した埋め込み空間を形成することで、MIAにおけるクラス間プロトタイプ距離の未解決問題に対処する。 全体として、PPRは、MIAの信頼性の高いMLFSLに対して、純粋疾患の特徴とクラス間の関係を逐次キャプチャすることを可能にする。 クロスドメイン評価を含む4つの胸部X線ベンチマークデータセットに対する大規模な実験により、PPRは一貫して最先端の手法より優れており、堅牢な一般化と臨床応用性を示しながら、疾患検出を大幅に改善していることが示された。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• TRCGL-Net: A Long-Tailed Multi-Label Chest X-Ray Classification Framework with Generative Data Augmentation and Label Co-Occurrence Modeling [15.092790142993188]
  疾患意味制約下で, 高品質な胸部X線画像サンプルを生成するためにRTCGL-Netを提案する。 提案手法は, テールクラスのmAPが0.4904, 全体的なmAPが0.4408, およびmAUCが0.8989であり, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-07-01T14:10:57Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• Attention-Based Deep Learning for Early Parkinson's Disease Detection with Tabular Biomedical Data [0.0]
  パーキンソン病(PD)の早期かつ正確な診断は、医療診断において重要な課題である。 従来の機械学習(ML)モデルはPD検出に広く適用されているが、しばしば広範な機能工学に依存し、複雑な機能相互作用を捉えるのに苦労する。 本稿では,Multi-Layer Perceptron (MLP), Gradient Boosting, TabNet, SAINTの4つの分類モデルの比較評価を行った。
  論文  参考訳（メタデータ） (2026-02-08T12:03:02Z)
• A Weakly Supervised Transformer for Rare Disease Diagnosis and Subphenotyping from EHRs with Pulmonary Case Studies [28.253741893497136]
  WEST(Wakly Supervised Transformer for rare disease phenotyping and subphenotyping from EHRs)を提案する。 ボストン小児病院のEHRデータを用いて2つの稀な肺疾患についてWESTを評価し, 表現型分類, 臨床的に有意な亜フェノタイプ同定, 疾患進行の予測において, 既存の方法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-07-01T23:11:20Z)
• SC-MIL: Supervised Contrastive Multiple Instance Learning for Imbalanced Classification in Pathology [2.854576370929018]
  医療画像における機械学習の問題は、しばしば稀な疾患に対処する。 病理画像では、別のレベルの不均衡があり、正にラベル付けされた全スライド画像(WSI)が与えられると、その内部のピクセルのごく一部だけが正のラベルに寄与する。 本稿では,バッグレベルの表現から最適な分類器学習へと,段階的に移行するラベル不均衡の存在下での協調学習型MILフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-23T16:28:15Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• Ontology-Driven and Weakly Supervised Rare Disease Identification from Clinical Notes [13.096008602034086]
  機械学習やドメインの専門家によるデータアノテーションの必要性から、希少な疾患の特定は困難である。 両方向変換器(例えばBERT)からの事前学習した文脈表現を用いた脳と弱い監督手法を提案する。 弱教師付きアプローチは、ドメインの専門家による注釈付きデータなしで、テキスト-UMLSリンクを改善するための確認表現型モデルを学ぶために提案される。
  論文  参考訳（メタデータ） (2022-05-11T17:38:24Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。